벡터 임베딩을 활용한 스마트폰 궤적의 이동 모드 분류
Classification of Travel Mode in Smartphone Trajectories using Vector Embedding
- 주제(키워드) GPS Trajectories , Travel Mode Classification , Trajectory Representation , Vector Embedding , Self-Supervised Representation Learning , GPS 궤적 , 이동 모드 분류 , 궤적 표현 , 벡터 임베딩 , 자기지도 표현학습
- 주제(기타) 토목공학
- 설명문(URI) https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART003003899
- 등재 KCI등재
- 발행기관 대한공간정보학회
- 발행년도 2023
- URI http://www.dcollection.net/handler/ewha/000000209814
- 본문언어 한국어
- Published As http://dx.doi.org/10.7319/kogsis.2023.31.3.003
초록/요약
본 연구에서는 이동 궤적을 일정한 간격으로 분리하여 세그먼트를 추출하고 해당 구간의 이동 모드(travel mode)를추론하였다. 특히 레이블이 없는 원시 데이터의 이동 모드를 효과적으로 분류하기 위하여 본 연구에서는 9개의 슬라이딩 윈도우(sliding window)를 사용하여 궤적으로부터 다양한 크기의 세그먼트(segment)를 추출하고, 오토인코더(auto-encoder)와 t-distributed stochastic neighbor embedding(t-SNE)를 활용하여 슬라이딩 윈도우에서 추출된 세그먼트를 벡터로 임베딩(embedding)하는 semantic segment to vector(SS2Vec) 방법론을 제안한다. 이는 각 세그먼트의 속성을 고려한 특징 추출을 기반으로 차원을 축소하기 때문에 클러스터링에서 정밀한 군집을 형성하는 것에용이하여 추후 레이블이 없는 이동 궤적에서 이동모드를 분류할 때 도움이 될 것으로 판단된다.
more초록/요약
In this study, we separated the trajectory into segments at regular intervals and inferred the travel mode of each segment. Specifically, to effectively classify the travel mode of unlabeled raw data, we used nine sliding windows to extract segments of various sizes from the trajectory. We proposed the semantic segment to vector(SS2Vec) methodology, which utilizes auto-encoders and t-distributed stochastic neighbor embedding(t-SNE) to embed the extracted segments from the sliding windows into vectors. This approach facilitates the formation of precise clusters in clustering, as it is based on feature extraction considering the attributes of each segment and reduces dimensions. It is anticipated that this methodology will be helpful in classifying travel modes in unlabeled trajectories in the future.
more